如何提高基于内容的图像检索(Content-based Image Retrieval)系统的检索结果,这一直是基于内容图像检索的关键问题和最终目的。为了实现这一目标,已经有大量的底层特征提取算法、相似性度量算法和相关反馈算法出现,而且取得了很好的效果。但是,面对如此众多的检索算法,到现在为止,仍然没有标准的测试图像集和检索结果评测模型,可以说明哪一类方法普遍适用,或者哪一类方法能达到更好的检索结果。因此,如果有一种动态的选择方法,能针对不同的图像库,提供不同的图像检索方法,那么,将有效的提高系统的检索能力。本文正是在这种思想的基础上,提出了解决这样问题的办法,对不同的图像库,通过引入Q学习算法来对图像检索技术进行选择,以提高检索的效果。具体的,本文的主要研究内容和创新点如下:第一,介绍了三个基本的、也是较常用的相关反馈算法,包括这些算法的主要思想,数学模型,各自的优缺点和适用范围,对这些算法进行了编程实现。并在此基础上,介绍了相关反馈技术组合的思想。实验部分讨论了怎样进行相关反馈算法的参数设置,以达到最佳的检索结果。第二,在基于内容的图像检索系统中,引入Q-learning算法,以进行检索方法的选择。并详细阐述了如何对若干的底层特征提取结果和相关反馈的算法进行选择的原型系统和实现过程。针对Q-learning算法收敛速度慢的问题,应用解释学习的思想进行改进,使Q-learning算法的收敛速度进一步提高。第三,介绍了一个Q-learning CBIR系统平台,该系统平台使用了本文提出的Q-learning算法,来对特定的图像库进行检索算法选择。在本文最后,对基于内容图像检索系统的前景进行了展望,讨论了该领域进一步的研究方向。